Bücher von Yang Huang

Mahonia bealei (Fort.) Carr. (M. bealei) desempeña un papel importante en el tratamiento de muchas enfermedades. En el presente estudio, se desarrolló un método integral que combina las huellas digitales de la cromatografía de fluidos supercríticos (SFC) y el reconocimiento de patrones químicos (RCP) para la evaluación de la calidad de M. bealei. Se aplicó el análisis de similitud, el análisis jerárquico de conglomerados (HCA) y el análisis de componentes principales (PCA) para clasificar y evaluar las muestras de M. bealei silvestre, M. bealei cultivado y sus sustitutos según el área de pico de 11 componentes, pero no se pudo lograr una clasificación precisa. A continuación, se adoptó el PLS-DA para seleccionar las variables características en función de los valores de importancia en la proyección (VIP), responsables de una clasificación precisa. Se seleccionaron seis picos de características con valores VIP más altos (¿1) para construir el modelo CPR. Sobre la base de las seis variables, tres tipos de muestras se clasificaron con precisión en tres grupos relacionados. El modelo se validó además mediante un conjunto de muestras de prueba y un conjunto de muestras de predicción. Los resultados indicaron que el modelo se había establecido con éxito y que la capacidad de predicción era satisfactoria.

Mahonia bealei (Fort.) Carr. (M. bealei) plays an important role in the treatment of many diseases. In the present study, a comprehensive method combining supercritical fluid chromatography (SFC) fingerprints and chemical pattern recognition (CPR) for quality evaluation of M. bealei was developed. Similarity analysis, hierarchical cluster analysis (HCA), principal component analysis (PCA) were applied to classify and evaluate the samples of wild M. bealei, cultivated M. bealei and its substitutes according to the peak area of 11 components but an accurate classification could not be achieved. PLS-DA was then adopted to select the characteristic variables based on variable importance in projection (VIP) values that responsible for accurate classification. Six characteristics peaks with higher VIP values (¿1) were selected for building the CPR model. Based on the six variables, three types of samples were accurately classified into three related clusters. The model was further validated by a testing set samples and predication set samples. The results indicated the model was successfully established and predictive ability was also verified satisfactory.